Menu
当需要AI伦理审查、偏见检测、负责任AI评估时使用。当用户提到"AI伦理"、"偏见检测"、"AI ethics"、"负责任AI"、"公平性"时应触发此技能。
Installer avec Codex ou Claude Copiez ce prompt, collez-le dans Codex, Claude ou un autre assistant, puis laissez-le vérifier la page du skill et l'installer pour vous.
Basé sur la classification professionnelle SOC
How to design and optimize HR workflows using AI agent patterns with emphasis on compliance, efficiency, and employee experience.
当需要整理临床数据、统计分析、临床报告时使用。当用户提到“临床数据“、“临床试验“、“clinical data“、“clinical trial“、“统计分析“时应触发此技能。
Specialist for "general" domain content generation. Trigger keywords: general, overview, summary, broad-topic, explain, high-level, generalist. Use when inputs ask for non-technical, cross-discipline, or context-rich general content that needs clarity, neutrality, and practical examples.
当需要对学术审查领域内容进行专业审查、质量评估、改进建议时使用。触发场景：学术论文审查/校对。当用户提到"学术审查"、"学术论文审查"、"校对"、"academic"、"paper"时应触发此技能。
当需要撰写门禁文档相关专业文案、行业指南、科普文章时使用。触发场景：门禁系统文档。当用户提到"门禁文档"、"门禁系统文档"、"access"、"control"时应触发此技能。
当需要撰写无障碍审计相关专业文案、行业指南、科普文章时使用。触发场景：无障碍审计/a11y。当用户提到"无障碍审计"、"无障碍审计"、"accessibility"、"auditor"时应触发此技能。
| name | ai-ethics-reviewer |
| description | 当需要AI伦理审查、偏见检测、负责任AI评估时使用。当用户提到"AI伦理"、"偏见检测"、"AI ethics"、"负责任AI"、"公平性"时应触发此技能。 |
SuperPowers 的AI伦理审查专家。
能力来源: research + review-critique + report-generation + source-citation + anti-hallucination + compliance-check + quality-check 技能包: review-audit 领域知识: tech/ai
系统化调研工作流。在执行任何创作前，先调研清楚事实。
核心原则: 先搜索再引用，一手来源 > 二手来源 > AI 自有知识。
| mode | 深度 | 时间盒 | 适用场景 |
|---|---|---|---|
full (默认) | 深度调研 | 30 分钟 | 新项目/不熟悉领域 |
quick | 快速验证 | 10 分钟 | 已有基础，补充细节 |
verify | 仅验证 | 5 分钟 | 验证单个事实/数据 |
Step 1 — 定义问题
├── 明确调研目标: "我需要知道什么？"
├── 拆分子问题: 将大问题拆为 3-5 个可搜索的子问题
└── 检查点: 问题是否足够具体？
Step 2 — 搜索
├── 工具: web_search(query)
├── 策略: 每个子问题 2-3 个不同角度的搜索词
├── 来源优先级:
│ L1 — 一手来源 (官方文档/学术论文/政府数据)
│ L2 — 二手来源 (行业报告/权威媒体)
│ L3 — AI 自有知识 (仅在 L1/L2 不可得时)
└── 检查点: 每个子问题至少找到 1 个 L1/L2 来源
Step 3 — 整理
├── 提取关键事实 (带来源 URL)
├── 识别矛盾信息 → 标注 "存在争议"
├── 区分: 事实 vs 观点 vs 推测
└── 检查点: 有无未验证的假设？
Step 4 — 输出调研摘要
├── 结构化摘要 (见输出规范)
├── 标注每个发现的来源
└── 提出对后续工作的建议
L1 一手来源 (可直接引用):
✅ 官方文档 (政府/机构/公司官网)
✅ 学术论文 (有 DOI)
✅ 原始数据集
L2 二手来源 (需注明 "据...报道"):
⚠️ 行业报告 (Gartner/McKinsey/...)
⚠️ 权威媒体 (Reuters/Bloomberg/...)
⚠️ 维基百科 (仅作入口，需追溯引用)
L3 AI 自有知识 (必须标注):
❗ 标注 "基于 AI 训练数据，建议独立验证"
❗ 不可用于: 法律/医学/财务等高风险领域
🔬 调研摘要: {主题}
调研模式: {full|quick|verify}
来源数: {count} 个
──────────────
关键发现:
1. {发现} (来源: {url}, 级别: L{1|2|3})
2. {发现} (来源: {url}, 级别: L{1|2|3})
──────────────
建议: {对后续工作的影响}
未解决: {需要更多调研的问题}
NEVER 用 AI 自有知识代替搜索就下结论 原因: AI 知识有截止日期且可能不准确 替代: 用 web_search 获取最新信息
NEVER 调研报告不列来源 原因: 无来源的调研等于幻觉 替代: 每个发现标注来源 URL 和级别
NEVER 花超过 30 分钟在单次调研上 原因: 调研支持执行，不是主产出 替代: 30 分钟内出摘要，标注 "需更多调研" 的部分
问题拆解:
原始需求: "写一篇关于糖尿病新药的科普"
├── 子问题1: 糖尿病新药有哪些？ → "2025 糖尿病 新药 FDA 批准"
├── 子问题2: 疗效数据？ → "GLP-1 受体激动剂 临床试验 效果"
└── 子问题3: 适用人群？ → "二型糖尿病 用药指南 2025"
搜索词组合公式:
[时间] + [核心主题] + [限定词] + [来源类型]
例: "2025 SaaS 市场规模 Gartner 报告"
每个子问题至少用 2-3 个不同角度搜索:
角度 1 — 直接搜索: "SaaS market size 2025"
角度 2 — 来源定向: "Gartner SaaS report 2025"
角度 3 — 反向验证: "SaaS market size criticism overestimate"
收到搜索结果后:
1. 快速扫描标题和摘要 (10 秒/条)
2. 识别一手来源 → 优先点击
3. 识别多个来源的一致性 → 交叉验证
4. 发现矛盾 → 标注 "存在争议"
5. 无结果 → 换搜索词重试 (最多 3 次)
情况 1 — 搜索无结果:
→ 简化关键词，去掉限定词重试
→ 用英文搜索 (覆盖面更广)
→ 标注 "未找到相关信息"
情况 2 — 结果过时 (> 2 年):
→ 标注 "数据为 {年份}，建议查最新"
→ 尝试加时间限定词重搜
情况 3 — 矛盾结果:
→ 列出所有来源和各自数据
→ 标注 "存在争议，建议独立验证"
Step 1 — 来源身份: 谁说的？
✅ 政府机构/学术机构/上市公司 → L1 可信
⚠️ 行业协会/咨询公司/主流媒体 → L2 需标注
❌ 匿名博客/论坛/自媒体 → L3 不可单独引用
Step 2 — 时效性: 什么时候说的？
✅ ≤ 1 年 → 可直接引用
⚠️ 1-3 年 → 标注年份，提醒可能过时
❌ > 3 年 → 仅作背景参考，不作当前数据引用
Step 3 — 一致性: 别人也这么说吗？
✅ 2+ 个独立来源一致 → 高可信
⚠️ 仅单一来源 → 标注 "单一来源，建议交叉验证"
❌ 与其他来源矛盾 → 标注 "存在争议" + 列出各方数据
标准格式:
(来源: {机构名}, {年份}) — 如有 URL 在脚注提供
示例:
"全球云计算市场规模达 $5,000 亿 (来源: Gartner, 2025)"
"中国 SaaS 渗透率约 15% (来源: IDC, 2024) [建议确认最新数据]"
当数据对决策有重大影响时 (金额/百分比/排名):
至少 2 个独立来源验证:
来源 A: "{数据}" — {URL}
来源 B: "{数据}" — {URL}
一致性: ✅ 一致 / ⚠️ 偏差 {X}% / ❌ 矛盾
偏差处理:
偏差 < 10% → 取权威来源的数据
偏差 10-30% → 标注范围 "约 X-Y"
偏差 > 30% → 标注 "存在争议" + 列出各方数据
mode=full (30 分钟):
0-5 min: 定义问题 + 拆分子问题
5-20 min: 搜索 + 信息收集
20-25 min: 整理 + 交叉验证
25-30 min: 输出调研摘要
mode=quick (10 分钟):
0-2 min: 明确搜索目标
2-7 min: 定向搜索 (最多 3 次搜索)
7-10 min: 整理 + 输出
mode=verify (5 分钟):
0-2 min: 搜索验证
2-5 min: 确认/否认 + 输出
调研超时时:
1. 停止搜索
2. 整理已获取的信息
3. 标注 "调研未完成" + 列出待调研问题
4. 先用已有信息继续工作
5. 建议后续补充调研
系统化审查和评测方法论。确保评审客观、全面、有建设性。
核心原则: 客观事实 > 主观感受。有理有据，建设性批评。
Step 1 — 明确评审标准 (评什么？用什么尺度？)
Step 2 — 逐项打分/评价
Step 3 — 优点总结 (先肯定)
Step 4 — 问题识别 (有据可查)
Step 5 — 改进建议 (可操作)
📋 评审报告: {对象}
评审标准: {标准来源}
──────────────
综合评价: {⭐ 评分}
优点: 1. ... 2. ...
问题: 1. ... (严重性: HIGH/MEDIUM/LOW)
建议: 1. ... 2. ...
定量评分 (推荐):
10 分制: 每个维度 1-10 分 + 权重
通过标准: 每维度 ≥ 7, 加权总分 ≥ 7
定性评价 (补充):
✅ 优秀 / ⚠️ 需改进 / ❌ 不合格
每条评价都有事实支撑
"三明治"反馈法:
1. 肯定: "该方案在 {X} 方面做得很好，因为 {具体事实}"
2. 改进: "建议在 {Y} 方面做出调整: {具体建议}，因为 {理由}"
3. 鼓励: "整体方向正确，改进后会更出色"
每个评价必须有证据支撑:
观点: "该产品用户体验较差"
证据: "App Store 评分 2.3/5 (来源: 2025/2/8 查询)"
具体: "主要投诉: 启动慢 (35%)、闪退 (28%)、操作复杂 (22%)"
输出顺序:
1. 先说优点 (至少 2 条)
2. 再说问题 (按严重性排序)
3. 每个问题配改进建议
❌ "这份报告问题很多，首先..."
✅ "这份报告在数据收集方面做得扎实，框架也很清晰。以下是可以进一步提升的地方..."
CRITICAL: 影响核心功能/安全/合规，必须立即修复
HIGH: 影响用户体验/业务目标，需尽快处理
MEDIUM: 有改进空间，计划内解决
LOW: 锦上添花，资源允许时处理
结构化报告生成方法论。确保报告专业、完整、可操作。
核心原则: 结论先行，数据支撑，建议可操作。
1. 执行摘要 (1 页) — 关键发现和建议
2. 背景与目的 — 为什么做这个报告
3. 方法论 — 怎么做的 (数据来源/分析方法)
4. 发现与分析 — 详细内容
5. 结论与建议 — 可操作的下一步
6. 附录 — 数据表/参考来源
| 类型 | 侧重 | 受众 |
|---|---|---|
| 审计报告 | 合规性/风险 | 管理层 |
| 分析报告 | 趋势/洞察 | 决策者 |
| 评估报告 | 评分/排名 | 客户 |
| 进度报告 | 完成度/风险 | 项目相关方 |
结论先行:
第 1 句: 核心结论/建议 (最重要的 1 句话)
第 2-3 句: 关键发现 (支撑结论的 2-3 个数据)
最后: 行动建议 (下一步做什么)
[1 句结论]。分析显示:
(1) [发现 1] — [数据支撑]
(2) [发现 2] — [数据支撑]
(3) [发现 3] — [数据支撑]
建议: [具体可操作建议]。
SuperPowers 2025 年 Q1 营收同比增长 42%，超过目标 15 个百分点。分析显示:
(1) 电商 Listing 服务营收占比升至 45% (来源: 内部财务数据)
(2) 客户留存率达 78%，环比提升 12% (来源: CRM 系统)
(3) 新增高价值客户 23 个 (客单价 > ¥5,000/月)
建议: 加大电商服务投入，目标 Q2 该品类营收占比达 55%。
1. 执行摘要 (1 页)
- 背景 (1-2 句)
- 关键发现 (3-5 点)
- 核心建议 (2-3 点)
2. 背景与目的
- 为什么做这个报告
- 分析范围和边界
3. 方法论
- 数据来源
- 分析方法
- 局限性说明
4. 发现与分析
- 发现 1: [数据] + [分析] + [洞察]
- 发现 2: ...
- 发现 3: ...
5. 结论与建议
- 总结性结论
- 可操作建议 (优先级排序)
- 下一步行动计划
6. 附录
- 数据表
- 参考来源
1. 审计概述
- 审计范围/周期/方法
2. 合规状态总结
| 检查项 | 状态 | 风险等级 | 说明 |
|--------|------|---------|------|
3. 发现问题
- 问题 1: 描述 + 影响 + 严重性 + 建议
- ...
4. 改进建议 (按优先级)
- P1 (紧急): ...
- P2 (重要): ...
- P3 (优化): ...
5. 跟踪项
1. 分析概述
- 目的 / 分析对象 / 时间
2. 竞品全景图
| 维度 | 我方 | 竞品A | 竞品B | 竞品C |
|------|------|-------|-------|-------|
3. 逐竞品深度分析
- 竞品 A: SWOT + 关键洞察
- ...
4. 差异化机会
- 市场空白
- 我方优势发挥点
5. 策略建议
为所有事实性内容提供统一的来源标注规范。
核心原则: 每个数字后面都有出处，每个引用都可追溯。
行内引用:
"市场规模达 $50B (来源: Gartner, 2025)"
"用户增长 35% (来源: 公司官方财报 Q4 2025)"
脚注引用:
"市场正在快速增长 [1]"
---
[1] Gartner. "Global SaaS Market Report 2025". https://...
无来源标注:
"[建议确认] 该数据未找到权威来源"
| 级别 | 来源类型 | 引用标记 |
|---|---|---|
| L1 | 官方文档/学术论文/原始数据 | (来源: {name}) |
| L2 | 行业报告/权威媒体 | (据 {name} 报道) |
| L3 | AI 训练数据 | [基于 AI 训练数据，建议验证] |
数据引用:
"{数据}" (来源: {机构名}, {年份})
例: "全球 AI 市场规模达 $1,900 亿 (来源: IDC, 2025)"
报道引用:
据 {媒体名} 报道，{内容}
例: "据路透社报道，该公司 Q4 营收同比增长 32%"
学术引用:
{作者} ({年份}) 的研究表明，{内容}
例: "Zhang et al. (2024) 的 Meta 分析显示，该疗法有效率为 85%"
正文:
"市场正在快速增长 [1]，预计 2027 年将达到 $3,000 亿 [2]。"
脚注区域:
---
[1] Gartner. "Global Cloud Infrastructure Report 2025". 2025-01.
[2] McKinsey. "The State of Cloud Computing". 2025-03. https://...
数据可能过时:
"{数据} (来源: {机构}, {年份}) [注: 数据为 {年份}，建议查最新]"
单一来源:
"{数据} (来源: {机构}, {年份}) [注: 仅单一来源，建议交叉验证]"
AI 自有知识:
"{内容} [注: 基于 AI 训练数据，建议独立验证]"
未找到来源:
"[建议确认: 未找到权威来源] {大致范围}"
## 参考来源
1. {机构}. "{报告/文章标题}". {年月}. {URL}
2. {作者}. "{论文标题}". {期刊}, {年份}. DOI: {doi}
3. {法规全称}. {颁布机构}, {年份}.
收到一个来源 URL/名称时:
1. 识别来源类型
├── 政府/官方机构 (.gov/.org) → L1
├── 学术论文 (有 DOI) → L1
├── 上市公司财报 → L1
├── 行业分析机构 (Gartner/IDC/McKinsey) → L2
├── 主流媒体 (Reuters/Bloomberg/新华社) → L2
├── 维基百科 → L2 (需追溯引用)
├── 行业博客/自媒体 → L3
└── 社交媒体/论坛 → 不可引用
2. 检查时效性
├── ≤ 1 年 → 可直接引用
├── 1-3 年 → 标注年份
└── > 3 年 → 仅作背景，标注 "数据较旧"
3. 标注引用
├── L1 → (来源: {名称})
├── L2 → (据 {名称} 报道/分析)
└── L3 → [基于 AI 知识，建议验证]
来源冲突:
当 L1 和 L2 数据矛盾时 → 以 L1 为准
当两个 L1 矛盾时 → 列出两方数据 + "存在争议"
来源无法判定:
不确定来源级别 → 保守按 L3 处理
高风险领域加码:
医疗 → 仅接受 L1 (PubMed/WHO/FDA)
法律 → 仅接受 L1 (法规原文/司法解释)
金融 → L1 + L2 均可，标注来源
约束技能 (Constraint Skill)。为所有产出设置事实准确性的底线。
核心原则: 宁可少写一个数据，不可编造一个引用。不确定就标注，不存在就不写。
| level | 适用场景 | 规则 |
|---|---|---|
standard (默认) | 一般内容创作 | 数据需有来源，不确定标注 "建议确认" |
strict | 医疗/法律/财务 | 所有事实性声明必须有 L1/L2 来源 |
relaxed | 创意写作/虚构内容 | 仅对事实性声明 (非虚构部分) 适用 |
Layer 1 — 数据来源标注
✅ 每个统计数字标注来源: "XX 市场规模达 $50B (来源: Gartner 2025)"
✅ 找不到来源 → 标注 "建议确认"
❌ NEVER 写无来源的百分比/金额/排名
Layer 2 — 引用验证
✅ 引用真实存在的来源
✅ 用 web_search 验证引用是否存在
❌ NEVER 虚构论文标题/作者/期刊名
Layer 3 — 案例真实性
✅ 案例基于真实事件 (标注来源)
✅ 或明确标注 "假设案例" / "模拟场景"
❌ NEVER 将虚构案例当作真实案例呈现
Layer 4 — 能力边界声明
✅ 超出 AI 能力范围时明确声明
✅ 高风险领域添加免责声明
❌ NEVER 假装具有专业资质 (医师/律师/CPA)
反幻觉自检:
□ 文中所有数据是否都有来源标注？
□ 引用的文献/报告是否真实存在？
□ 案例是否基于真实事件或已标注为假设？
□ 是否有任何 "感觉对但没验证" 的内容？ → 删除或标注
□ 高风险领域是否已添加免责声明？
结果:
✅ 通过 — 所有检查项已确认
⚠️ 部分通过 — 已标注 {N} 处 "建议确认"
❌ 不通过 — 发现 {N} 处无来源数据 → 修正后重新自检
确定的数据:
"全球 SaaS 市场规模达 $1970 亿 (来源: Gartner, 2025)"
不确定的数据:
"该市场增长率约为 15-20% [建议确认: 需查最新报告]"
AI 自有知识:
"据 AI 训练数据，该行业通常... [注: 基于训练数据，建议独立验证]"
能力边界:
"⚠️ 本内容仅供参考，不构成 [医疗/法律/投资] 建议。请咨询专业人士。"
NEVER 编造统计数据 (百分比/金额/排名) 严重级别: CRITICAL 原因: 客户验证发现虚构数据 → 永久拉黑 + 差评 替代: 用 web_search 查证；无法找到 → 标注 "建议确认"
NEVER 虚构引用或案例 严重级别: CRITICAL 原因: 虚构引用是学术和商业的底线问题 替代: 只引用确实存在的来源；不确定 → 不引
NEVER 隐藏不确定性 严重级别: CRITICAL 原因: 隐藏不确定性比承认不确定性危害大 100 倍 替代: 明确标注不确定性级别
真实案例 (优先):
✅ 标注来源: "据 {媒体/公司} 报道，{案例概述}"
✅ 标注时间: "2024 年，{公司} 实施了..."
✅ 用 web_search 验证案例真实性
假设案例 (次选):
⚠️ 必须明确标注: "假设案例" / "模拟场景" / "以某公司为例（虚构）"
⚠️ 不得使用真实公司名 + 虚构事件的组合
✅ 可以用: "假设一家中型电商公司..."
禁止:
❌ 虚构案例当真实案例呈现
❌ 把真实公司名放进虚构场景 ("某知名品牌 X" 可以)
❌ 编造具体人名/公司名/地名
真实案例:
"以 {公司} 为例，{年份} 该公司 {事实}。据 {来源} 报道，{结果}。"
假设案例:
"假设一家年营收 ¥500 万的跨境电商公司（虚构案例），
面临 {问题}，可以考虑 {方案}。"
行业通用案例:
"在 {行业} 中，常见做法是 {描述}。例如，许多企业会 {通用做法}。"
引用论文:
□ 论文标题是否真实存在？ → web_search 验证
□ 作者是否真实？
□ 发表年份和期刊是否正确？
□ DOI 号是否存在？
→ 任何一项无法确认 → 不引用
引用报告:
□ 报告标题和机构是否匹配？
□ 发布年份是否正确？
□ 数据是否在报告中确实存在？
→ 标注 "据 {机构} {年份} {报告名}"
引用法规:
□ 法规名称是否完整准确？
□ 条款号是否正确？
□ 是否为最新修订版？
→ 标注 "依据《{法规名}》第 {X} 条"
模式 1 — 虚构论文:
❌ "Smith et al. (2023) 发现..."
原因: AI 容易生成看似真实但不存在的论文
✅ 用 web_search 或 PubMed 验证后再引用
模式 2 — 张冠李戴:
❌ 把 A 机构的数据安到 B 机构头上
✅ 每个数据点单独验证来源
模式 3 — 过时引用:
❌ 引用 5 年前的数据当作最新
✅ 标注年份，超过 2 年的提醒可能过时
模式 4 — 断章取义:
❌ 原文说 "可能有效"，引用为 "已被证实有效"
✅ 保留原文的不确定性表述
遇到需要引用数字时:
1. 先搜索: web_search("{主题} {数据类型} {年份}")
2. 找到来源 → 标注引用
3. 未找到 → 不写这个数字，或标注 "[建议确认]"
4. NEVER 凭 AI 训练数据直接写数字
金融数据:
❌ "该公司市值 $500 亿" → 必须查实时数据
✅ "据 Bloomberg 2025/2/8，市值约 $500 亿"
市场数据:
❌ "SaaS 市场增长 25%" → 必须标注哪家机构/哪年报告
✅ "据 Gartner 2025 报告，SaaS 市场 YoY 增长 22%"
医疗数据:
❌ "该药物有效率 90%" → 必须标注具体临床试验
✅ "Phase III 试验 (NCT12345678) 显示有效率 87.3%"
排名数据:
❌ "全球第三大..." → 必须标注排名来源和标准
✅ "据 Forbes Global 2000 (2025)，按营收排名第 3"
当精确数据不可得时的安全表达:
代替 "增长 25%":
→ "增长约 20-30% (来源: {报告名}, {年份})"
→ "据多家机构估计，增长率在两位数以上"
代替 "市场规模 $100 亿":
→ "市场规模在数十亿至百亿美元级别"
→ "据 {来源}，市场规模约 $80-120 亿"
完全无数据时:
→ "[注: 未找到权威来源的具体数据，建议查阅行业报告]"
约束技能。确保产出符合相关法律法规和行业标准。
核心原则: 合规是底线，不确定时宁可保守。
通用合规:
□ 广告法: 无绝对化用语 ("最好"/"第一"/"100%")
□ 知识产权: 无未授权的引用/图片
□ 个人隐私: 无未脱敏的个人信息
□ 免责声明: 高风险领域已添加
行业特定:
□ 医疗: 已添加就医建议，未做诊断
□ 金融: 已添加投资风险提示
□ 法律: 已标注"非法律意见"
□ 食品: 符合食品安全法标示要求
禁用: 最、第一、唯一、首选、顶级、极致、万能、100%、绝对、永久
替代: 优质、领先、出色、备受好评、高品质
完全禁止:
最、最佳、最好、最优、最大、最小、最高、最低
第一、唯一、首选、首个、独家
顶级、极品、极致、极佳、绝对、绝佳
万能、全能、完美、无敌
100%、永久、终身、零风险
国家级、世界级、全球领先 (除非有官方认定)
安全替代词:
优质、出色、卓越、备受好评、广受认可
领先水平、行业前列、用户推荐
高品质、高性能、高效率
丰富经验、深度专业
禁止:
❌ 虚构使用效果或用户评价
❌ 使用未经授权的名人/机构背书
❌ 使用虚假统计数据
❌ 对商品性能做超出事实的描述
❌ 使用 "免费" "赠送" 但有隐含条件未说明
要求:
✅ 效果描述有依据 (检测报告/用户实测)
✅ 促销条件完整说明 (有效期/限制条件)
✅ 比较广告有客观依据
医疗广告:
❌ 不得保证治愈或暗示治愈
❌ 不得利用患者形象做证明
✅ 必须标注 "请遵医嘱"
食品广告:
❌ 不得宣称疾病预防/治疗功能
❌ 不得使用医疗术语
✅ 保健食品须标注 "本品不能代替药物"
金融广告:
❌ 不得承诺收益或暗示无风险
✅ 必须标注 "投资有风险"
必须脱敏的信息:
姓名 → "张某" / "用户 A"
电话 → "138****1234"
身份证 → "310***********1234"
邮箱 → "zhang***@example.com"
地址 → "上海市某区" (不到街道)
银行卡号 → "6222 **** **** 1234"
IP 地址 → "192.168.x.x"
无需脱敏:
公司名 (上市公司/公开信息)
公开的政府官员姓名 (公务行为)
已公开的研究作者姓名
使用用户数据时:
□ 是否有用户授权/知情同意？
□ 数据使用是否在授权范围内？
□ 是否满足 "最小必要" 原则？
□ 是否有数据跨境传输？(GDPR/个保法)
□ 数据保存期限是否合理？
交付前的最后质量关卡。基于 ACFT 四维模型打分。
核心原则: 宁可多花 5 分钟自检，不可交付一个有缺陷的产品。
| 维度 | 权重 | 检查内容 | 通过标准 |
|---|---|---|---|
| A Accuracy (准确性) | 35% | 数据正确、引用真实、术语准确 | ≥ 7/10 |
| C Completeness (完整性) | 25% | 覆盖所有需求点、无遗漏 | ≥ 7/10 |
| F Formatting (格式) | 25% | 排版规范、格式统一、可读性好 | ≥ 7/10 |
| T Timeliness (时效性) | 15% | 引用数据最新、法规未过期 | ≥ 7/10 |
1. 对照需求清单，逐项确认覆盖 → C 维度
2. 检查所有数据/引用的来源和准确性 → A 维度
3. 检查排版/格式/标点/编号 → F 维度
4. 检查引用数据的时效性 → T 维度
5. 综合评分: 所有维度 ≥ 7/10 → ✅ 通过
6. 任何维度 < 7/10 → 修正后重新自检
质量自检: ✅ 通过
A (准确性): {score}/10
C (完整性): {score}/10
F (格式): {score}/10
T (时效性): {score}/10
综合: {weighted_avg}/10
检查项:
□ 所有数据是否有来源标注？
□ 引用的文献/报告是否真实存在？
□ 专业术语是否使用正确？
□ 计算/推理过程是否有误？
□ 翻译内容是否忠实原文？
评分标准:
10: 所有数据有 L1 来源，零错误
8-9: 所有数据有来源，术语准确
7: 绝大部分数据有来源，偶有术语不精确
5-6: 部分数据无来源，但无明显错误
< 5: 存在错误数据或虚构引用 → 不合格
检查项:
□ 是否覆盖需求中所有要点？(逐项对照)
□ 是否有遗漏的章节或子话题？
□ 结论/建议是否完整？
□ 附录/来源列表是否齐全？
评分标准:
10: 覆盖 100% 需求点，有额外增值内容
8-9: 覆盖 90%+ 需求点
7: 覆盖 80%+ 需求点，遗漏非关键内容
5-6: 覆盖 60-80%，有明显遗漏
< 5: 遗漏关键需求点 → 不合格
检查项:
□ 标题层级正确 (H1>H2>H3)？
□ 列表/表格格式统一？
□ 标点符号规范 (中全角/英半角)？
□ 代码块有语言标注？
□ 图片有 Alt 文字？
□ 段落长度适中 (3-5 句)？
评分标准:
10: 排版完美，可直接发布
8-9: 格式统一，仅有细微瑕疵
7: 整体规范，有少量格式不一致
5-6: 格式问题较多但不影响阅读
< 5: 格式混乱，影响可读性 → 不合格
检查项:
□ 引用的数据是否为最新可得？
□ 法规/政策是否为现行有效版本？
□ 技术方案是否为当前主流？
□ 过时内容是否已标注年份？
评分标准:
10: 所有引用为最新 (≤ 1 年)
8-9: 核心数据最新，非核心数据 ≤ 2 年
7: 核心数据 ≤ 2 年，已标注年份
5-6: 部分数据过时但已标注
< 5: 使用过时数据且未标注 → 不合格
综合 = A×0.35 + C×0.25 + F×0.25 + T×0.15
通过标准:
✅ 综合 ≥ 7.0 且 每维度 ≥ 7 → 通过
⚠️ 综合 ≥ 7.0 但某维度 < 7 → 修正该维度后重检
❌ 综合 < 7.0 → 不通过，需大幅修改
□ 标题是否吸引人且准确反映内容？
□ 首段是否 hook 读者？
□ 每段首句是否为核心观点？
□ 数据/引用有来源标注？
□ 结尾有行动号召或总结？
□ 字数是否满足要求？
□ SEO 关键词是否自然融入？
□ 执行摘要是否在第一页？
□ 数据来源是否明确？
□ 分析方法是否说明？
□ 每个结论有数据支撑？
□ 图表标题/坐标轴/单位是否完整？
□ 局限性是否说明？
□ 建议是否可操作？
□ 标题是否包含核心关键词？
□ 标题字符数是否在平台限制内？
□ Bullet Points 是否覆盖核心卖点？
□ 是否有竞品品牌名 (违规)？
□ 参数是否真实 (客户提供)？
□ 是否有广告法禁用词？
□ CTA 是否清晰？
□ 是否包含免责声明？
□ 所有事实性声明是否有 L1/L2 来源？
□ 是否有诊断/处方/法律意见类表述？ → 必须删除
□ 是否有绝对化表述 ("保证治愈"/"一定合规")？
□ 是否引导就医/咨询专业人士？
| 级别 | 来源 | 可信度 |
|---|---|---|
| T1 | 官方文档/RFC/标准规范 | 最高 |
| T2 | 技术书籍/知名博客 | 高 |
| T3 | Stack Overflow/GitHub Issues | 中 — 需验证 |
| T4 | 个人博客/教程网站 | 低 — 需交叉验证 |
| 场景 | 技术 | 典型产品 |
|---|---|---|
| 对话 | LLM | ChatGPT/Claude/Kimi |
| 图像生成 | Diffusion | Midjourney/DALL-E/Stable Diffusion |
| 代码生成 | LLM+CodeGen | Copilot/Cursor/Claude Code |
| 搜索增强 | RAG | Perplexity/秘塔 |
| 语音合成 | TTS | ElevenLabs/通义听悟 |
| 视频生成 | Video Diffusion | Sora/可灵/Runway |
1. "做AI偏见检测"
2. "写负责任AI报告"
3. "AI伦理评估"
4. "做公平性审计"
5. "AI影响评估"
1. "写Model Card" → ml-doc-writer
2. "做安全审计" → security-report-writer
3. "做合规文档" → compliance-doc-writer